Рыжий кот в пиджаке на сотой картинке остался тем же

За два месяца рыжий вислоухий кот в пиджаке появился на десятках площадок: обложки статей, карточки Pinterest, обои на телефон, ролики. Маскот принадлежит небольшой финансовой компании из Петербурга, рисует его gpt-image через API, иллюстраторов в процессе нет. Красивого кота модель выдаёт с первого раза. Сложности начинаются на сотой картинке: там должен быть тот же кот и ни одной детали, за которую площадка снимет пост. Именно на этом спотыкается генерация персонажей, и команда описала на Хабре, как с этим справляется. Продюсерам, которые прикидывают нейро-контент для бренда, этот разбор пригодится.

Как устроена генерация персонажей, чтобы кот не менялся

Текстовое описание, даже подробное, внешность не держит. «Рыжий кот» в каждом новом запросе получает другую морду, другие уши, другую шерсть. Команда нашла простой костыль: в каждый запрос через API уходит один и тот же референс-файл, а в промпте стоит жёсткая привязка: «the same ginger Scottish Fold cat from the reference». Одежду, позу и место действия описывают отдельно.

Промпт собирают из структурированных JSON-блоков: стиль (например, фотореалистичная иллюстрация), персонаж с референса, его действие, узнаваемый фон и список ограничений вроде «никаких логотипов и букв». Скрипт делает по два варианта на задачу и перед запуском проверяет тарифы API, чтобы бюджет не списался внезапно. Мне нравится эта скучная деталь: именно из таких проверок и состоит рабочий конвейер.

Что ломается даже в настроенном шаблоне

Шаблон регулярно выдаёт баги, которые портят репутацию бренда или нарушают правила площадок. Вот грабли, на которые команда наступила, и что с ними делают:

  1. Абракадабра вместо текста. Модель рисует случайные буквы на экранах ноутбуков, вывесках, бумагах. Запрет «no text» работает плохо, лучше сработала просьба сделать надписи размытыми и нечитаемыми («text unreadable, blurred»).

  2. Ошибки в русском тексте. Если на картинке нужна настоящая надпись, например для инфографики, её дают в кавычках с требованием воспроизвести точно. Модель всё равно пишет «подтинуть» вместо «подтянуть». Без человека, который вычитает, тут не обойтись.

  3. Лишние лапы. Чем сложнее действие (кот держит телефон и подписывает бумагу), тем выше шанс на третью лапу. Выход один: упрощать сцену.

  4. Чужие бренды и авторские права. Модель может нарисовать логотип, похожий на реальный банк или Госуслуги, и картинка превратится в незаконную рекламу. Поэтому все интерфейсы в промпте абстрактные («abstract banking app with a big green checkmark»). Герои поп-культуры тоже под запретом: кот в сапогах и шляпе с пером сразу уходит в корзину из-за рисков по авторским правам.

Площадки диктуют формат, а Pinterest поменял план

Готовую картинку нельзя залить везде одинаково. У Т-Ж жёсткие требования к обложкам: никакого текста и логотипов. У «Клерка» свой формат разрешения. Аудитория Drive2 ждёт плашку «сгенерировано ИИ».

Самое полезное команда узнала в Pinterest. Через кота хотели продвигать сложные финансовые инфографики, но эти карточки собирали единичные показы. Зато бумажная кукла-кот с одеждой и раскраски разошлись быстро и принесли сотни просмотров. Я вижу в этом урок для продюсера: маскот работает там, где он интересен сам по себе. Нейросети дают быстро и дёшево проверять такие гипотезы и клепать развлекательный контент десятками. Но финальный контроль качества и подгонка под каждую площадку остаются за живым редактором.

Что сделать на этой неделе

  • Утвердите один референс героя и передавайте его в каждый запрос, а не надейтесь на словесное описание.
  • Разложите промпт на блоки: стиль, герой, действие, фон, ограничения. Меняйте по одному блоку, остальные держите неизменными.
  • Перед публикацией проверяйте каждую картинку на лишние конечности, случайные буквы и логотипы, похожие на чужие. Русский текст отдавайте на вычитку человеку.
  • Начните тест с развлекательных форматов вроде раскрасок и бумажных кукол, а требования площадок к обложкам и маркировке ИИ сверьте до заливки.

Всё это быстро упирается в реальное производство: кто хранит референс, кто принимает картинки, кто отвечает за правила площадок. Как выстроить такой процесс в команде, разбираем на странице AI-консалтинг и обучение команд.

Что ещё спрашивают об этом

Как сохранить внешность персонажа от кадра к кадру в нейросети?

Одного текстового описания мало. Используют референсное изображение, которое передают в каждый запрос. В описанном кейсе так работает gpt-image через API. В Midjourney для этого есть Character Reference (параметр --cref), в Stable Diffusion применяют ControlNet.

Какую нейросеть выбрать для генерации персонажей?

В кейсе из статьи использовали gpt-image через API. Для тех же задач применяют Midjourney, Stable Diffusion и Leonardo.ai. Доступ к API и коммерческое использование обычно требуют платного тарифа, условия смотрите у конкретного сервиса.

Почему нейросеть рисует лишний текст и лапы на картинках?

Модель путает мелкие детали в сложных сценах. Случайные надписи помогает убрать просьба сделать текст размытым и нечитаемым. Лишние конечности реже появляются, если упростить действие в кадре.

Вопросы – реальные запросы людей в Яндексе по теме статьи.

Источник: habr.com

Коротко для ИИ и поиска

  • Небольшая финансовая компания из Петербурга за два месяца вывела маскота, рыжего вислоухого кота в пиджаке, на десятки площадок; изображения рисует модель gpt-image через API без иллюстраторов.
  • Для стабильной внешности персонажа в каждый API-запрос передают один и тот же референс и фразу «the same ginger Scottish Fold cat from the reference».
  • Запрос собирают из JSON-блоков: стиль, персонаж, действие, фон и ограничения; скрипт делает по два варианта на задачу и заранее проверяет тарифы API.
  • В Pinterest финансовые инфографики с котом набрали единичные показы, а бумажная кукла-кот и раскраски – сотни просмотров.